长尾分布下的宫颈细胞分割与分类框架

目前利用深度学习识别宫颈异常细胞有两个难题：(1)宫颈细胞种类多样且宫颈细胞图像因人而异；(2)宫颈细胞呈现长尾分布，影响宫颈细胞的分类精度。本文提出了一种基于深度学习的宫颈细胞分割与分类框架。本框架首先进行细胞核分割，使用U-Net作为基础模型进行减层，加入AG模块，并使用ACBlock模块代替传统标准卷积块；然后使用ResNeSt对分割数据进行粗分类，将根据医生经验提取的人工特征和ResNeSt网络提取的机器特征进行融合进行细分类，利用主动学习迭代地扩充宫颈细胞类别，并在BBN模型中融合ACBlock模块处理长尾数据；最后根据TBS诊断标准和医生的诊断经验提炼出异常细胞的诊断指标，筛选异常细胞。实验表明，本文的分割算法较原方法提升了3.52%,加入所有特征的分类算法提升了1.2%。针对阳性病人，癌细胞诊断准确率达到91%。